Gracias por enviar su consulta! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Gracias por enviar su reserva! Uno de los miembros de nuestro equipo se pondrá en contacto con usted en breve.
Duración 14 horas
Temario del curso
Introducción a AIOps con herramientas de código abierto
- Vista general de los conceptos y beneficios de AIOps
- Prometheus y Grafana en el stack de observabilidad
- El lugar de ML en AIOps: analítica predictiva vs. reactiva
Configuración de Prometheus y Grafana
- Instalación y configuración de Prometheus para la recopilación de series temporales
- Creación de paneles de control (dashboards) en Grafana usando métricas en tiempo real
- Exploración de exportadores, reetiquetado y descubrimiento de servicios
Preprocesamiento de datos para ML
- Extracción y transformación de métricas de Prometheus
- Preparación de conjuntos de datos para la detección de anomalías y el pronóstico
- Uso de las transformaciones de Grafana o pipelines de Python
Aplicación de Machine Learning para la detección de anomalías
- Modelos básicos de ML para la detección de valores atípicos (p. ej., Isolation Forest, One-Class SVM)
- Entrenamiento y evaluación de modelos en datos de series temporales
- Visualización de anomalías en los paneles de Grafana
Pronóstico de métricas con ML
- Construcción de modelos de pronóstico simples (ARIMA, Prophet, introducción a LSTM)
- Predicción de la carga del sistema o el uso de recursos
- Uso de las predicciones para alertas tempranas y decisiones de escalado
Integración de ML con alertas y automatización
- Definición de reglas de alerta basadas en la salida de ML o umbrales
- Uso de Alertmanager y enrutamiento de notificaciones
- Disparación de scripts o flujos de trabajo de automatización ante la detección de anomalías
Escala y operacionalización de AIOps
- Integración de herramientas de observabilidad externas (p. ej., stack ELK, Moogsoft, Dynatrace)
- Operacionalización de modelos de ML en pipelines de observabilidad
- Buenas prácticas para AIOps a gran escala
Resumen y próximos pasos
Requerimientos
- Comprensión de los conceptos de monitoreo de sistemas y observabilidad
- Experiencia utilizando Grafana o Prometheus
- Conocimiento de Python y principios básicos de machine learning
Público objetivo
- Ingenieros de observabilidad
- Equipos de infraestructura y DevOps
- Arquitectos de plataformas de monitoreo e ingenieros de confiabilidad de sitios (SRE)